Introduction
Une étude du MIT l’année dernière a révélé que 95% des projets pilotes d’IA générative échouent à atteindre même la phase de production, et la situation n’est guère meilleure pour l’IA agentique. Cependant, plutôt que de se concentrer uniquement sur ce pourcentage alarmant, il est essentiel de se pencher sur ce que font les 5% qui réussissent, en apportant des ajustements notables aux processus logiciels traditionnels.
Changement de Paradigme
La plupart des entreprises en difficulté, faisant partie des 95%, traitent encore ces projets comme s’il s’agissait de logiciels traditionnels. Selon Dael Williamson, CTO d’EMEA chez Databricks, la situation a presque été inversée. Dans le développement de l’IA agentique, passer 80% du temps à concevoir et construire sans tester engendre des frictions.
Importance des Évaluations
Les entreprises qui réussissent se concentrent sur la construction d’évaluations. Ces évaluations sont cruciales dans le processus d’adoption, permettant d’affiner les agents et d’assurer des résultats de haute qualité. Les chiffres du rapport State of AI Agents de Databricks montrent que les entreprises qui mettent fortement l’accent sur ce point réussissent à mettre presque six fois plus de projets d’IA en production.
Utilisation Spécifique des Agents
Il est également crucial de restreindre l’utilisation des agents au sein des environnements informatiques. Beaucoup d’entreprises considèrent les agents comme des outils polyvalents, mais une curation basée sur des cas d’utilisation spécifiques est essentielle. Environ 40% des principaux cas d’utilisation de l’IA se concentrent sur des préoccupations pratiques, comme l’intégration ou le support client.
Prévisions de Cisco
Une recherche de Cisco a projeté que d’ici 2028, les agents géreront plus des deux tiers des interactions de support client, ce qui représente un domaine clé pour l’automatisation.
Émergence des Systèmes Multi-Agents
Les entreprises se dirigent de plus en plus vers des flux de travail multi-agents. Databricks a enregistré une augmentation de 327% dans ce domaine l’année dernière, les entreprises passant de l’utilisation d’agents individuels à des configurations multi-agents, où plusieurs agents spécialisés travaillent ensemble.
Exemples de Spécialisation
Les agents d’extraction d’informations, par exemple, représentent 31% de l’ensemble de l’utilisation des agents sur la plateforme Databricks, répondant au besoin des entreprises de tirer parti à la fois des données structurées et non structurées.
Rôle des Agents de Supervision
Les agents de supervision jouent également un rôle vital dans les flux de travail agentiques. Ils supervisent et orchestrent d’autres agents, validant les activités et rationalisant les processus. Cette fonction est particulièrement mise en avant par les entreprises adoptant cette technologie.
Préoccupations de Sécurité
Les agents de supervision sont conçus pour garantir que d’autres agents fonctionnent conformément aux politiques de l’entreprise, renforçant ainsi la sécurité. Un rapport de Gartner a trouvé que les « agents gardiens » représenteront jusqu’à 15% de tous les agents déployés à l’échelle mondiale d’ici 2030.
Conclusion
Malgré les défis liés à l’adoption de l’IA agentique, les entreprises qui mettent en place des politiques de gouvernance solides et adoptent des flux de travail multi-agents réussissent à mettre beaucoup plus de projets en production. En fin de compte, il est crucial d’adapter les méthodes traditionnelles de développement logiciel à ce nouveau paysage technologique pour garantir le succès des projets d’IA.